10560 पेपर
यह शोध पत्र बिटमाइंड फॉरेंसिक्स (BMF) को प्रस्तुत करता है, जो बिटटेंसोर SN34 एडवरसैरियल प्रतियोगिता के माध्यम से प्रशिक्षित एक निरंतर विकसित होने वाली डीपफेक डिटेक्शन प्रणाली है, जो स्टेट-ऑफ-द-आर्ट स्थिर मॉडलों की तुलना में विविध वास्तविक और इन-द-वाइल्ड बेंचमार्क पर काफी बेहतर मजबूती और प्रदर्शन प्रदर्शित करती है।
AffectFlow-DINO 11वें ABAAB चुनौती के लिए एक मल्टी-टास्क लर्निंग सिस्टम है जो चेहरे के प्रभाव की अस्पष्टता को अनिश्चितता-जागरूक जनरेटिव भविष्यवाणियों के माध्यम से मॉडल करने के लिए DINOv3 बैकबोन पर एक कंडीशनल रेक्टिफाइड-फ्लो हेड का लाभ उठाता है, जिससे वैलेंस-एरोसल अनुमान, एक्सप्रेशन क्लासिफिकेशन और एक्शन यूनिट डिटेक्शन में महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
यह शोध पत्र एक सुदृढ़ डिफरेंशिएबल पाथ ट्रेसिंग पद्धति प्रस्तुत करता है जो पाथ रिप्ले और लोकल कैशिंग के हाइब्रिड दृष्टिकोण के माध्यम से रैंक-डेफिशिएंट पोलारिमेट्रिक ऑपरेटर्स द्वारा उत्पन्न संख्यात्मक अस्थिरता पर विजय प्राप्त करता है, जिससे ध्रुवीकरण संकेतों (polarization cues) का उपयोग करके ज्यामिति और सामग्री अनुमान के लिए स्थिर इनवर्स रेंडरिंग सक्षम होती है।
यह शोध पत्र विजुअल डिपेंडेंसी गैप (VDG) को प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि वीडियो लार्ज लैंग्वेज मॉडल्स में उच्च बेंचमार्क सटीकता अक्सर वास्तविक दृश्य समझ के बजाय भाषाई पूर्वाग्रहों (लैंग्वेज प्रायर्स) से उत्पन्न होती है, जो यह प्रकट करता है कि टेम्पोरल ऑर्डर प्रदर्शन में न्यूनतम योगदान देता है जबकि फ्रेम विविधता अधिकांश लाभों को संचालित करती है।
यह शोध पत्र प्रदर्शित करता है कि ओपन-वोकैबुलरी डिटेक्टर कॉन्फिडेंस (open-vocabulary detector confidence) किसी दृश्य के भीतर एक वस्तु श्रेणी की उपस्थिति का संकेत देता है न कि किसी विशिष्ट लक्ष्य की दृश्यता का, जो यह प्रकट करता है कि गंभीर अवरोध (severe occlusion) के तहत भी कॉन्फिडेंस उच्च बना रहता है और सक्रिय धारणा (active perception) तथा मूल्यांकन जैसे अवरोध-जागरूक कार्यों में महत्वपूर्ण विफलताओं का कारण बनता है।
यह शोध पत्र RoughNet को प्रस्तुत करता है, जो एक कंडीशनल डिफ्यूजन मॉडल है जो 10-मीटर सेंटिनल-2 उपग्रह इमेजरी से उच्च-रिज़ॉल्यूशन वाले आर्कटिक समुद्री बर्फ स्थलाकृति (topography) का पुनर्निर्माण करता है, जिससे 9 सेमी की सटीकता प्राप्त होती है और महंगी हवाई सर्वेक्षणों पर निर्भर रहे बिना जलवायु मॉडलिंग और सुरक्षित यात्रा के लिए स्केलेबल, सूक्ष्म-स्तरीय खुरदरापन अनुमान सक्षम होता है।
यह शोध पत्र एंकर-अलाइन (Anchor-Align) का प्रस्ताव करता है, जो एक फाइनट्यूनिंग विधि है जो विजन-लैंग्वेज रिप्रेजेंटेशन एंकरिंग और लैंग्वेज-एक्शन अलाइनमेंट को जोड़ती है ताकि VLA पॉलिसियों में प्रीट्रेंड ज्ञान के ओवरराइट होने को रोका जा सके, जिससे विविध बेंचमार्क पर जनरलाइजेशन और रियल-रोबोट सफलता दर में महत्वपूर्ण सुधार होता है।
यह शोध पत्र सिम्बायोसिस-इंस्पायर्ड नॉलेज डिस्टिलेशन (SIKD) का प्रस्ताव करता है, जो एक नवीन विधि है जो इंक्रीमेंटल ऑब्जेक्ट डिटेक्शन के लिए है और जो साझा निरूपणों (shared representations) को संरक्षित करने और सिमेंटिक टोपोलॉजी को स्थिर करने के लिए स्थानिक और सिमेंटिक डिस्टिलेशन के माध्यम से ऑब्जेक्ट सिम्बायोसिस का स्पष्ट रूप से लाभ उठाकर कैटास्ट्रोफिक फॉरगेटिंग को कम करती है।
HIVE-3D एक पदानुक्रमित वोक्सेल संवर्धन ढांचे (hierarchical voxel enhancement framework) को पेश करता है जो 2D और 3D घटकों को एक पदानुक्रमित वृक्ष (hierarchical tree) में संरेखित करके और मोटे-से-सूक्ष्म परिशोधन (coarse-to-fine refinement) प्राप्त करने के लिए एक वोक्सेल सुपर-रिज़ॉल्यूशन मॉडल लागू करके एक एकल छवि से उच्च-गुणवत्ता वाले 3D दृश्य उत्पन्न करता है, जो मौजूदा विधियों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र "ब्रिंग म्यूजिक द होराइजन" (Bring Music The Horizon) प्रस्तुत करता है, जो एक इमोशन-अवेयर पाइपलाइन है जो एक गीत के भावनात्मक प्रक्षेपवक्र (इमोशनल ट्रेजेक्टरी) की भविष्यवाणी करके और एक कालानुक्रमिक रूप से निरंतर, इमर्सिव अनुभव के लिए कीफ्रेम जनरेशन और वीडियो सिंथेसिस को निर्देशित करने के लिए इसका उपयोग करके इमर्सिव 360° म्यूजिक विज़ुअलाइज़ेशन वीडियो उत्पन्न करता है।